Kahve çiçeklenme tespiti için görüş ortamında kesişim bölümü oranına (IoU) dayalı kademeli RCNN kullanarak döllenme aktarımı ve başarısının incelenmesi

Kahve Çiçekleri Sabah Demlenizi Nasıl Şekillendirir

Her fincan kahve, tropikal bir çalıda beliren kısa süreli beyaz çiçek patlamalarıyla başlar. Bu çiçekler yalnızca kısa bir süre açıktır ve yeterince polen alıp almadıkları, bir bitkinin ne kadar olgun kırmızı meyve – ve nihayetinde çekirdek – üreteceğini belirler. Bu çalışma, araştırmacıların kahve çiçeklerini ayrıntılı şekilde izlemek için kameralar ve yapay zekâ kullandıklarını; ne zaman ve ne ölçüde döllenme gerçekleştiğini ölçerek çiftçilerin değişen iklimde verimi koruyabilmesini nasıl sağladıklarını gösteriyor.

Tahmin Yerine Çiçekleri İzlemek

Geleneksel döllenme çalışmaları sıklıkla polen taneciklerinin insan tarafından sayılmasına veya saha ziyaretlerine dayanıyordu; bu yaklaşım yavaş, özneldir ve kolayca etkilenir. Kahve için, çiçekler hızla sıkı tomurcuktan tam açılmış çiçeklere ve sonra solmaya geçtiği için bu yöntemler birçok olayı kaçırır. Yazarlar, çiftçilerin ve bilim insanlarının hava durumu, zararlılar ve peyzaj değişikliklerinin kahve verimliliğini nasıl etkilediğini anlamak için birçok bitkiyi gerçek zamanlı ve otomatik olarak izleyecek bir yola ihtiyaç duyduğunu savunuyor. Sabit veya hareketli kameralar kullanan görüntü tabanlı sistemler, bitkilere dokunmadan sürekli, yüksek çözünürlüklü görüntüler sağlayabilir; ancak bunlar, gürültülü açık hava arka planına karşı polen tanecikleri gibi küçük yapıları ayırt edecek kadar akıllı olmalıdır.

Bilgisayarlara Kahve Çiçeklerini Görmeyi Öğretmek

Araştırma ekibi IoU‑AI adını verdikleri, kahve çiçeklerine özel bir makine görüsü hattı kurdu. Hindistan’ın Coorg bölgesindeki plantasyonlardan, tomurcuk oluşumundan tam açılışa, polen aktarımına ve başarılı meyve bağlamaya kadar uzanan binin üzerinde yüksek çözünürlüklü görüntü topladılar. Bitki biyolojisi uzmanları, her önemli çiçek parçasının etrafına—poleni bırakan anterler, onu alan stigma ve taç yapraklar ile çevreleyen yapılar—kutu çizerek dikkatli şekilde işaretledi ve bilgisayar için ayrıntılı bir eğitim seti oluşturdu. Bu etiketlenmiş görüntüler, ilgilenilen bölgeleri öneren ve sonra birkaç aşamada bunları rafine ederek hem atlanan çiçekleri hem de yanlış tespitleri azaltan kademeli (cascade) R‑CNN olarak bilinen derin öğrenme modelini eğitmek için kullanıldı.

Pollen ile Stigma Arasındaki Teması Ölçmek

IoU‑AI’yı ayıran özellik, yalnızca çiçekleri bulmakla kalmayıp döllenmenin ne kadar başarılı olabileceğini de değerlendirmesidir. Sistem, başlangıçta bir bilgisayarın tahmin ettiği kutunun insan çizimiyle ne kadar örtüştüğünü değerlendirmek için tasarlanmış “kesişim bölümü oranı” (intersection over union, IoU) adlı bir metriği biyolojik bir ölçü olarak yeniden yorumluyor. Bir bölge polen taneciklerinin tespit edildiği yeri işaretlerken, bir diğeri stigmanın alıcı yüzeyini işaretliyor. Bu iki bölgenin örtüşen alanı, her ikisinin birleşik alanına göre, polenin doğru hedefe ne kadar gerçekten değdiğinin bir skoru olarak hizmet ediyor. Bu örtüşme eşik değerini ayarlayarak model, gürültü veya tozu polen olarak sayma riski ile gerçek polen–stigma temas olaylarını gözden kaçırma riski arasında denge kuruyor.

Tomurcuktan Meyveye: Döllenme Başarısını İzlemek

Bu örtüşme tabanlı yaklaşımla araştırmacılar, tek tek tomurcukların çiçeğe açılmasını, polen almasını ve başarılı döllenmeye doğru ilerleyişini izleyebildiler. Orta düzey bir örtüşme eşik değerinde, sistemin çiçeklenmeyi, polen aktarımını ve polen başarısını değerlendirirken hassasiyet ve duyarlılık arasında güçlü bir bileşim sağladığını bildiriyorlar. SSD ve YOLO gibi yaygın kullanılan algılayıcılarla karşılaştırıldığında, IoU tabanlı filtrelemeyle birleştirilen kademeli R‑CNN’leri polen tanecikleri ve ince stigma yüzeyi gibi hassas özellikleri tespit etmede daha başarılı oldu. Genel çiçek tespit doğruluğu farklı çiçeklenme aşamalarında yaklaşık olarak %90’ların ortalarından %80’lerin ortalarına kadar değişirken, geri çağırma (recall) ve doğruluk (precision) için de benzer derecede yüksek puanlar rapor edilerek sistemin gerçekçi saha koşullarında hem güvenilir hem de tutarlı olduğunu gösteriyor.

Kahve ve Ötesi İçin Neden Önemli

Uzman olmayanlar için çıkarılacak ana mesaj, bu çalışmanın genel bir bilgisayarla görü aracını otomatik bir döllenme denetleyicisine dönüştürmesidir. Bir görüntüde kaç tane polen taneciği göründüğünü saymaktan öte, IoU‑AI onların çiçeğin alıcı yüzeyine nerede düştüğüne dikkat ediyor; oysa gerçek meyve oluşumunu belirleyen asıl faktör budur. Pratikte böyle bir sistem, yetiştiricilerin sezon başında zayıf polen teması gösteren alanları veya çeşitleri tespit etmelerine, ek döllenme gibi hedefe yönelik önlemler uygulamalarına ve aşırı hava olaylarının veya tozlayıcı popülasyonlarındaki azalışların ürün sağlığını nasıl etkilediğini değerlendirmelerine yardımcı olabilir. Aynı strateji—ayrıntılı görüntülemeyi biyolojik yapıların temasıyla ilgili örtüşme tabanlı ölçülerle birleştirmek—birçok başka çiçek açan ürüne uyarlanabilir ve veri odaklı, daha akıllı tarımı gerçeğe dönüştürebilir.

Atıf: Sivasubramanian, S., Thanarajan, T., Selvanarayanan, R. et al. Inspection of pollination transfer and success in coffee flowering detection using intersection over union based cascade RCNN in a vision environment. Sci Rep 16, 11554 (2026). https://doi.org/10.1038/s41598-026-42347-9

Anahtar kelimeler: kahve döllenmesi, tarımda bilgisayarlı görü, derin öğrenme, çiçeklenme fenolojisi, verim izleme